人脸识别
文章平均质量分 76
tyler_download
这个作者很懒,什么都没留下…
展开
-
人脸识别原理详解:使用tfrecord集合网络训练所有数据
由于工作繁忙原因,对人脸识别技术原理的连载停了一段时间,从今天开始尝试恢复回来。我们先回想一下前面完成的工作。这几节主要任务就是为神经网络的训练准备足够多的数据,第一步是创建不包含或者包含人脸部分小于30%的图片,我们从人脸图片数据集中的每张图片随机选取一个矩形区域,确定该区域与人脸区域不重合或重合部分少于30%,这部分数据我们成为neg,目的是告诉网络没有人脸的图片是怎样的。接着再次选取一系列区域,这次确保选取的区域与人脸区域的重合度高于30%但是低于65%,这类数据我们称为part,其目的是训练网络识原创 2021-04-06 16:33:15 · 5059 阅读 · 2 评论 -
人脸识别系统的原理与设计:Protocol Buffer,Tensorflow专有神经网络训练的数据结构
前几节我们花费大量精力准备了用于后续网络训练的数据,但这些数据依然以图片附带一个说明文本的方式存储,在网络训练时需要有效的将它们加载到内存,到时候IO将是网络训练效率的一大瓶颈,事实上在涉及到深度学习的具体项目中,数据IO本身就是一个问题。特别是如果输入网络的数据有多种格式,例如音频,文本,图片都需要提供给网络,如果每种数据都需要专门编写代码进行IO处理,那么项目的效率和复杂度就会有很大提升,因此需要有一种统一的方法对数据进行存储和读写。你可能很快想到一种常用格式就是JSON,我们也可以认为protoco原创 2021-02-19 11:41:32 · 269 阅读 · 0 评论 -
人脸识别系统设计与实现:带有人脸关键点数据的处理方法
前面几个章节我们实现了用于PNet网络训练的若干种训练数据的生成办法。首先是构建了三种数据,分别为neg, part, pos,每种数据都是规格为12*12的图片,其中第一种图片不包含人脸,或者人脸占据的比率不超过30,第二种包含部分人脸,其比率不超过45%,第三种包含人脸的比率超过了65%,这三种图片的目的由于训练网络识别出给定的图片内是否有人脸出现。然而网络训练的目的不仅仅是要判断出图片中是否有人脸,而且还要能准确的找出人脸在图片中的准确位置,为了实现这点,算法还需要训练网络识别人脸五个关键点所在的坐原创 2021-01-26 10:42:36 · 692 阅读 · 0 评论 -
人脸识别系统的原理与实现:PNET训练数据预处理2
上一节我们详细说明了如何为PNET生成用于训练的人脸图片,本节我们需要将上一节分割出的人脸图片存储成文件,相关代码如下:import numpy as npimport cv2from google.colab.patches import cv2_imshow import os#准备存储不同训练图片的路径pos_save_dir = "/content/drive/MyDrive/my_mtcnn/12/positive"part_save_dir = "/content/drive/原创 2020-12-29 17:21:49 · 7185 阅读 · 8 评论 -
人脸识别系统设计实现:P-NET的基本原理
最近耗费了巨大的心思为客户设计了人脸识别系统。这是我第一次利用人工智能技术为客户和自己产生收益。虽说人脸识别技术到目前为止已经非常成熟,但从“知行合一”的角度而言,很多人并没有真正掌握其根本原理,之所以有这个结论是因为,我相信绝大多数技术工作者自己无法通过编码来实现一套可商用的人脸识别系统,对技术而言,你做不到就等于你不懂。如果你在网上搜索人脸识别,你会得到很多链接和文章。此类技术文章知乎上很多,在我看来那全都是假把式。那些人把原理”介绍“得头头是道但却根本没有给出一行代码,因此在我看来那些技术文章“装逼原创 2020-12-07 17:07:24 · 2115 阅读 · 0 评论